▲ (이미지=인텔)

멀리있는 혜성이 지구와 충돌하는 과정에 있다면 과학자들이 그 사실을 발견할 수 있는 시점은 불과 1년 전이다. 충돌에 대비할 시간적 여유가 너무 없다는 얘기이다.

‘IEEE 스펙트럼’의 보도에 따르면 AI 연구자들은 머신러닝 알고리즘을 이용해 천문학자들로 하여금 혜성이 남긴 잔해를 더 빨리 식별하고 발견할 수 있도록 연구를 진행하고 있다. 혜성 유성우의 분석 속도를 높임으로써 멀리 떨어져 있지만 위험한 혜성의 궤도를 정확하게 파악할 수 있다는 것이다. NASA가 후원하는 이 프로젝트는 AI 파일럿 연구 프로그램의 일환이다.

최근 인텔 주최 행사에서 NASA 프론티어개발연구소(FDL)의 연구에 참여한 사람들은 AI가 어떻게 우주 과학의 진전을 앞당길 수 있는지 보여주는 결과를 발표했다. NASA가 머신러닝 영역을 테스트하기 위해 구성한 FDL은 우주의 생명체를 연구하는 비영리 조직인 SETI 연구소에서 운영을 맡았으며 인텔, IBM, 엔비디아, 록히드 마틴 등의 민간기업 엔지니어들이 참여하고 있다.

유성의 분석 속도 높여 위험한 혜성 빨리 파악

페이스북이나 구글이 머신러닝을 이용해 사람들의 구매 습관 등을 예측하고 있지만 정작 기본적인 과학문제에는 널리 적용되지 못하고 있다. SETI 연구소의 ‘빌 다이아몬드(Bill Diamond)’ CEO는 "NASA는 2년차에 접어든 FDL 활동을 통해 이 가능성을 모색하고 있다"며 "다양한 소그룹의 컴퓨터 및 행성학 연구자들을 후원하면서 여름마다 두달동안 중요한 우주과학 현안에 대해 작업하고 있다"고 전했다.

행사에 참여한 NASA 과학자들은 혜성 탐지 프로젝트의 결과에 대해 기대감을 나타내면서도 회의적인 시각을 보였다. 목성을 훨씬 넘어서는 궤도를 가진 '장주기 혜성(long-period comet)'들은 너무 멀리 떨어져 있어 직접 관찰할 수 없으며 우리가 볼 수 있는 것은 혜성이 떨어져 나오면서 남기는 증거이기 때문이다. 대표적인 단서는 지구가 혜성이 남긴 파편을 통과할 때 일어나는 유성우이다.

혜성 프로젝트 연구원들은 구름, 반딧불 및 비행기(일반적으로 사람이 수행하는 작업)를 통과하는 유성을 보다 빠르게 구분하기 위해 이미지 분류 알고리즘을 개발한 다음 이러한 각각의 관찰 결과를 시간의 흐름에 따라 분류했다. 이를 통해 이전에 알려지지 않은 유성우 집단을 파악할 수 있었고 이 그룹들이 예전에는 탐지되지 않았던 장기간 혜성의 증거일 수 있다고 주장했다.

100만개 유성 분석 결과 인간의 분류와 90% 일치

각 그룹이 2개월 동안 약 100만 개의 유성을 대상으로 테스트, 분석한 결과 신경망은 해당 시간의 90% 정도로 인간이 유성을 분류한 내용과 동일했다. 이에 대해 일부 NASA 전문가들은 신경망에 의해 탐지된 유성이 잡음이 아니라는 증거를 확인하고 싶어했다. 다른 이들은 유성이 실제로 소행성이나 다른 출처가 아닌 혜성에서 나온 것이라는 더 많은 증거를 원하기도 했다.

브라질 '국립도량연구소(Brazil National Metrology Institute)'의 천문학자인 마르셀로 드 치코(Marcelo de Cicco) 박사는 "우리는 지금 우리가 볼 수 있는 것으로부터 배우고, 예상된 궤도를 들여다보기를 원한다"며 "왜냐하면 우리가 지금 갖고 있는 것이 아무 것도 없기 때문"이라고 말했다.

혜성 이외 다른 프로젝트들도 진행됐다. 한 그룹은 달의 지도 해상도를 향상시키기 위해 너바나(Nervana)라고 불리는 인텔의 딥러닝 가속기를 사용했다. 이 팀은 이미지를 분화구 또는 분화구없이 분류하기 위해 신경망을 사용했다. 그 결과 약 98%가 인간이 행한 이미지 분류와 일치해 이전 이미지 분석시스템보다 약 5배 정확한 것으로 나타냈다. 이 그룹의 목표는 미래의 달 탐사선이 달의 극점에서 물을 찾는 동안 지도가 없는 분화구에 떨어지지 않도록 정찰하는 역할이다. 극점은 심한 음영이 드리우기 때문에 분화구를 그림자와 구별하기 어렵다.

NASA, FDL 통해 5개 AI 프로젝트 지원

또 파워그리드, GPS 및 기타 시스템에 문제를 일으킬 수 있는 태양 표면의 폭발-자기 펄스(solar flares—magnetic pulses)를 예측하는 두 팀은 IBM과 록히드마틴의 지원을 받았다. ‘플래어넷(FlareNET)’이라고 불리는 한 그룹의 알고리즘은 미국 국립해양대기국(NOAA)의 기존 태양 표면 폭발 예측 시스템을 능가했다. FDL의 제임스 파(James Parr) 이사는 "이에 대해 누가 NOAA에게 얘기를 해줘야 하는지는 알지 못한다"고 너스레를 떨었다.

파는 "이 프로젝트는 AI가 워크플로를 어떻게 바꿀 수 있는지 보여주며 몇 시간 안에 몇 달동안의 작업을 수행하는 성과는 낸다"고 강조한다. 파일럿 단계를 넘어 이러한 프로젝트가 계속 이어지고 감지 및 예측시스템이 실용화된다면 과학 탐구에 큰 진전이 이뤄질 것으로 기대된다. 그러나 다이아몬드와 파는 NASA가 내년 여름 이전에 어떤 프로젝트를 채택할 것인지는 말할 수 없다고 밝혔다.